背景
基于Python Flask的疾病数据采集与可视化大屏，旨在实现对疾病数据的采集、分析和可视化展示，为医疗领域提供决策支持和治疗方法分析。其中，关联规则算法被应用于治疗方法分析，旨在发现不同治疗方式之间的关联性和规律性，从而为医疗决策提供依据。通过大屏可视化展示，医疗从业者可以直观了解不同治疗方法之间的相关性，探索潜在的治疗方案组合，优化治疗流程，提高医疗效率和疗效。这项研究背景旨在结合数据采集、关联规则算法和可视化技术，为医疗决策提供更科学、数据驱动的支持，推动医疗信息化与智能化发展。
前端设计
HTML结构：
HTML结构包括必要的元素，如<!doctype html>、<html>、<head>、<body>，以及用于资源的各种脚本和链接元素。
CSS和JavaScript库：
页面包括对外部资源的引用，如jQuery、ECharts（用于数据可视化）和其他自定义CSS和JavaScript文件。
这些资源对于实现功能（如动态加载、数据可视化和样式设置）至关重要。
页面布局：
页面布局包括一个标题部分（<div class="head">），显示标题和天气信息。
主要内容结构在一个<div class="mainbox">中，其中包含多个以网格布局显示的部分。
动态内容：
页面使用JavaScript加载动态内容。诸如图表（ECharts库）和词云等元素是根据脚本中提供的数据动态生成的。
图表、词云和树形结构的数据定义在脚本中，使用类似JSON的结构。
交互元素：
页面包含交互元素，如工具提示、窗口调整大小时图表的动态调整，以及用于数据可视化的动画过渡。
词云和树形结构可视化具有交互功能，如悬停效果和单击事件。
响应式设计：
设计包括响应式功能，因为图表和元素会根据窗口宽度调整大小，并根据窗口宽度动态调整页面的字体大小。
页面的字体大小根据窗口宽度动态调整，以确保响应性。
数据可视化：
包括各种类型的数据可视化，如饼图、柱状图、词云和树状结构，以便以视觉上吸引人的方式呈现数据。
关联规则算法实现
关联规则算法用于发现数据集中项目之间的关联关系，其中最常见的算法之一是Apriori算法。以下是关联规则算法的实现描述：
数据预处理：
通过读取Excel文件获取数据，并针对数据集进行清洗和处理，包括处理缺失值和对治疗方法进行处理。
数据转换：
将处理后的数据转换为适合关联规则算法的格式，这里使用mlxtend库中的TransactionEncoder将数据转换为布尔类型的数据集。
频繁项集挖掘：
使用Apriori算法来挖掘频繁项集，该算法通过设定最小支持度阈值来确定频繁项集。
针对挖掘到的频繁项集，计算支持度，并找出支持度最大和最小的频繁项集。
关联规则生成：
基于频繁项集，生成关联规则，其中关联规则的支持度和置信度是评估规则好坏的重要指标。
用户可以根据设定的最小支持度和最小置信度阈值来生成关联规则。
关联规则筛选：
可以根据关联规则的长度和支持度进行筛选，选择特定长度的规则，并根据支持度进行排序展示。
关联规则查询：
提供了查询特定项集的关联规则的功能，用户可以输入关联规则中的特定项，查找包含该项的关联规则。
算法比较：
在实现中也提到了使用FP-growth算法来查找频繁项集，可以通过比较不同算法的效果和性能来选择适合的算法。
总体而言，关联规则算法实现包括数据预处理、频繁项集挖掘、关联规则生成、关联规则筛选和查询等步骤，帮助用户发现数据集中的关联关系并进行进一步分析和应用。主要代码如下：
python
def association_rule(dataset, min_support=0.15):
te = TransactionEncoder()
te_ary = te.fit(dataset).transform(dataset)
df = pd.DataFrame(te_ary, columns=te.columns_)
frequent_itemsets = apriori(df, min_support=min_support, use_colnames=True)
frequent_itemsets['length'] = frequent_itemsets['itemsets'].apply(lambda x: len(x))
res = frequent_itemsets
x = max(res['support'])
n = min(res['support'])
print('max:', x, 'min:', n)
return frequent_itemsets
res1 = association_rule(dataset, min_support=0.05)
print(res1)结果如下图：
大屏效果
